Update src/streamlit_app.py

src/streamlit_app.py

@@ -0,0 +1,63 @@
+import streamlit as st
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch
+import pandas as pd
+
+st.set_page_config(page_title="Analyse de Sentiment en Lot", page_icon="📊", layout="wide")
+
+st.title("📊 Analyse de Sentiment Multiline (Batch Processing)")
+st.write("Collez un ou plusieurs avis (un par ligne) pour les analyser simultanément avec RoBERTa.")
+
+# Chargement du modèle mis en cache
+@st.cache_resource
+def load_model():
+    model_id = "TON_PSEUDO_HF/TON_MODELE"  # ⚠️ À remplacer
+    tokenizer = AutoTokenizer.from_pretrained(model_id)
+    model = AutoModelForSequenceClassification.from_pretrained(model_id)
+    return tokenizer, model
+
+with st.spinner("Chargement du modèle..."):
+    tokenizer, model = load_model()
+
+# Zone de saisie : l'utilisateur peut mettre plusieurs lignes
+user_input = st.text_area(
+    "Entrez vos avis (un avis par ligne) :",
+    placeholder="Exemple :\nCe produit est top !\nJe n'aime pas du tout la texture...\nLivraison rapide.",
+    height=200
+)
+
+if st.button("Analyser les avis"):
+    # 1. Séparer le texte par ligne et enlever les lignes vides
+    lines = [line.strip() for line in user_input.split("\n") if line.strip() != ""]
+    
+    if not lines:
+        st.warning("Veuillez entrer au moins un texte.")
+    else:
+        st.info(f"Analyse de {len(lines)} texte(s) en cours...")
+        
+        # 2. Tokenisation du BATCH (toutes les lignes d'un coup)
+        # padding=True va aligner la taille des textes pour le modèle
+        inputs = tokenizer(lines, return_tensors="pt", truncation=True, padding=True)
+        
+        # 3. Inférence
+        with torch.no_grad():
+            outputs = model(**inputs)
+        
+        # 4. Récupération des prédictions pour chaque ligne
+        logits = outputs.logits
+        predictions = torch.argmax(logits, dim=-1).tolist()
+        
+        # 5. Préparation des résultats pour l'affichage
+        results = []
+        for text, pred in zip(lines, predictions):
+            sentiment = "POSITIF ✨" if pred == 1 else "NÉGATIF 🚨"
+            results.append({"Texte/Avis": text, "Sentiment": sentiment})
+        
+        # 6. Affichage sous forme de joli tableau interactif avec Pandas
+        df = pd.DataFrame(results)
+        st.dataframe(df, use_container_width=True)
+        
+        # Optionnel : Petit résumé statistique
+        pos_count = sum(1 for r in results if "POSITIF" in r["Sentiment"])
+        neg_count = len(results) - pos_count
+        st.write(f"**Résumé :** {pos_count} positif(s) et {neg_count} négatif(s).")